Preview

Вестник кибернетики

Расширенный поиск

Нейросетевая система обработки сигналов с взаимозависимой адаптацией компонент для повышения помехоустойчивости систем радиосвязи

Аннотация

В статье рассмотрен вопрос модификации системы обмена информацией, базирующейся на одном из методов расширения спектра передаваемого сигнала – алгоритме скачкообразной перестройки рабочей частоты. Анализ развития систем передачи информации показывает, что основная тенденция изменений на уровне обработки и передачи информации заключается в качественном усложнении физической организации для реализации возможностей новых способов адаптивной обработки сигналов. Для повышения защищенности передаваемой информации предлагается применение клеточной нейронной сети с гистерезисом для выполнения анализа состояния доступных частотных каналов. Результаты функционирования нейронной сети делают возможным сформировать прогноз о возможной загруженности каждого из доступных каналов радиосвязи и вероятности постановки помех в момент передачи информации на определенной несущей частоте. Эти сведения позволяют выполнить коррекцию работы генератора псевдослучайной последовательности, производящего последовательность частотного разбиения доступного беспроводного канала связи. Для повышения эффективности функционирования клеточной нейронной сети связи между нейронными элементами предлагается выполнить в виде адаптивных нейристорных линий, выполняющих обработку сигналов, передаваемых между нейронами. Нейросетевая система получает возможность производить обработку информации не только в нейронах с гистерезисом, но и в пространстве между нейронными элементами, что дает возможность модифицировать поведение нейронной сети в зависимости от динамики распространения сигналов между ее элементами. Далее рассмотрен вопрос о настройке переменных параметров спроектированной комплексной нейронной структуры с помощью модифицированного алгоритма диффузионного итерационного поиска. Применение подобной стратегии оптимизации приводит к формированию метаэвристики, которая способна успешно выполнить настройку и обучение нейросетевого комплекса. Проверка способности сети предсказывать частотные интервалы с минимальным уровнем помех показала, что клеточная сеть способна выполнять перестройку рабочей частоты с учетом особенностей возникновения фонового шума и постановки радиопомех в доступных частотных каналах связи.

Об авторах

С. О. Старков
Обнинский институт атомной энергетики НИЯУ МИФИ
Россия


Ю. Н. Лавренков
Калужский филиал МГТУ им. Н. Э. Баумана
Россия


Список литературы

1. Sklar B. Digital Communications, Fundamentals and Applications : 2nd edition. N. J. : Prentice-Hall Inc., Upper Saddle River, 2001. 1079 р.

2. Лавренков Ю. Н. Адаптивное управление частотно-эффективной системой передачи информации на основе нейронной сети с оптически связанными элементами // Прикладная информатика. 2017. Т. 12. № 5(71). С. 56–70.

3. Proakis J. G. Digital Communications : 4th edition. N.Y. : The McGraw-Hill companies Inc., 2000. 936 р.

4. Torrieri D. Principles of Spread Spectrum Communications systems. Springer Science + Business Media Inc., 2005. 444 р.

5. Peterson L., Ziemer R. E., Borth D. E. Introduction to Spread Spectrum Communications. N. J. : Prentice-Hall, 1995.

6. Rabunal J. R., Dorado J. Artificial Neural Networks in Real-Life Applications. IGI Global, 2005. 375 р.

7. Хайкин С. Нейронные сети: полный курс : 2-е изд. ; пер. с англ. М. : Вильямс, 2008. 1104 с.

8. Graupe D. Principles of Artificial Neural Networks (Advanced Series in Circuits and Systems) : 2nd edition. World Scientific Pub Co Inc, 2007. 303 р.

9. Васильев А. Н., Тархов Д. А. Принципы и техника нейросетевого моделирования. СПб. : Нестор-История, 2014. 217 с.

10. Jerald G. Graeme, Photodiode Amplifiers: Op Amp Solutions. McGraw-Hill, 1995. 252 р.

11. Philip C. D. Hobbs, Building electro-optical systems: making it all work. Hoboken, N. J. Wiley, 2008. 727 с.

12. Крекрафт Д., Джерджи С. Аналоговая электроника. Схемы, системы, обработка сигнала. М. : Техносфера, 2005. 357 с.

13. Гаврилов С. А. Схемотехника. Мастер-класс. СПб. : Наука и Техника, 2016. 384 с.

14. Duarte F. J. Tunable Laser Optics : 2nd edition. N. Y. : CRC Press, 2015. 323 р.

15. Hecht E. Optics. Addison-Wesley, 2002. 704 р.

16. Dreyfus G. Neural Networks: Methodology and Applications : 2nd edition. Berlin, Heidelberg : Springer-Verlag, 2005. 516 р.

17. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой : учеб. пособие. М. : Изд-во МГТУ им. Н. Э. Баумана, 2014. 448 с.

18. Грешилов А. А. Математические методы принятия решений : учеб. пособие ; 2-е изд., испр. и доп. М. : Изд-во МГТУ им. Н. Э. Баумана, 2014. 647 с.

19. Стронгин Р. Г., Гергель В. П., Гришагин В. А., Баркалов К. А. Параллельные вычисления в задачах глобальной оптимизации : моногр. М. : Изд-во МГУ, 2013. 280 с.

20. Лин К., Снайдер Л. Принципы параллельного программирования : учеб. пособие. М. : Изд-во МГУ, 2013. 408 с.


Рецензия

Для цитирования:


Старков С.О., Лавренков Ю.Н. Нейросетевая система обработки сигналов с взаимозависимой адаптацией компонент для повышения помехоустойчивости систем радиосвязи. Вестник кибернетики. 2018;(1 (29)):131-142.

For citation:


Starkov S.O., Lavrenkov Yu.N. Neural signal processing systems with interdependent adaptation of components for noise immunity enhancement of radio communication system. Proceedings in Cybernetics. 2018;(1 (29)):131-142. (In Russ.)

Просмотров: 213


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)